该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022

通过数据同化和机器学习技术的结合，可以将全球观测和局部高分辨率模拟整合到地球系统模型中，从而实现系统化学习和降低气候模型中参数化的不确定性。

Aug, 2017

机器学习和深度学习方法在理解大气混沌行为和推进天气预报方面已得到广泛应用。在构建地球的数字孪生体方面，科技公司、政府机构和气象机构表现出越来越多的兴趣。我们回顾了当前最先进的人工智能方法，主要来自于变换器和算子学习文献，并结合气象学的背景提出了成功的标准，期望实现一系列基础模型用于即时预报和天气气候预测。我们还讨论了这些模型在下游任务中的竞争力，如下降尺度（超分辨率）、火灾有利条件的识别以及对各种时空尺度（如飓风和大气河流）具有重大影响的气象现象的预测。特别是，我们认为当前的人工智能方法已经发展到足以设计和实施一个气象基础模型的成熟阶段。

Sep, 2023

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

Apr, 2024

通过将机器学习与传统物理模型相结合的混合建模方法，本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型，该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型，并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。

May, 2024

ClimateLearn 是第一个大规模的开源项目，旨在将气象和气候模型与现代机器学习系统进行连接，它能够大大简化机器学习模型的训练和评估，并包括综合流程，实现深度学习模型和定量和定性评估。

Jul, 2023

通过将不同的大气动力学求解器与机器学习组件相结合，我们展示了首个能够生成确定性天气、集合天气和气候预测的 GCM 模型 NeuralGCM，其预测能力与最佳的机器学习和基于物理的方法相当，同时在天气和气候方面，我们的方法相对于传统 GCMs 有数量级的计算节省，并能够增强对地球系统的理解和预测所必需的大规模物理模拟。

Nov, 2023

人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

Dec, 2023

借助生成式深度学习方法，将地球系统模型（ESMs）进行仿真以获得逼真的气候样本，具有与 ESMs 相似的气候指标，适用于通过生成未来气候预测。

Apr, 2024